MLP-Mixer 最近作为卷积神经网络（CNN）和 Transformer （Transformer）领域的新兴挑战者崭露头角。尽管其结构相比 Transformer 更为简单，但通过引入通道混合多层感知机（Channel-mixing MLPs）和标记混合多层感知机（Token-mixing MLPs）的概念，MLP-Mixer 在视觉识别任务中取得了显著的性能表现。然而，与图像不同的是，点云本质上是稀疏、无序且不规则的，这限制了 MLP-Mixer 在点云理解中的直接应用。在本文中，我们提出了一种通用的点集算子——PointMixer，该算子能够促进非结构化 3D 点之间的信息共享。通过简单地将标记混合多层感知机替换为 softmax 函数，PointMixer 可以在点集内部或之间“混合”特征。因此，PointMixer 可以广泛应用于网络中的集合间混合、集合内混合以及金字塔混合。大量实验表明，PointMixer 在语义分割、分类和点重建任务中相对于基于 Transformer 的方法具有竞争力甚至更优的性能表现。